一种改进遗传算法在绩效考核中应用.docVIP

一种改进遗传算法在绩效考核中应用摘要 为了弥补标准遗传算法的不足，本文提出了一种改进算法。通过对标准的遗传算法的遗传算子进行改进和扩展研究后，算法的运算效率以及基于改进遗传算法的模糊聚类分析法的准确性均得到提高。然后将其应用于人力资源管理系统以对员工绩效进行科学、合理的考核。结果表明这种改进是有效的。 关键词 遗传算法；模糊聚类分析；人力资源管理；绩效考核 中图分类号F27 文献标识码A 文章编号 1674-6708（2012）77-0189-02 0 引言 随着企业的发展，信息系统数据库的数据积累越来越多。不过，面对庞大而复杂的数据，人力资源管理者该选择从数据库里获取哪样的有关信息呢？这类问题特别需要由人力资源管理者来解决，通过现有数据以科学、合理的方式对员工绩效进行考核，结果用作为执行激励、补偿机制的基础，从而在有效执行激励功能的基础上进一步促进公司的发展。鉴于此，本文应用到一种模糊聚类法，以对员工绩效进行科学、合理的考核。在人力资源管理系统方面应用了改进遗传算法。 1 改进遗传算法 假设聚类的目标函数是Jm（U，P），聚类的最终目标是为了获取一个模糊分区矩阵U和样品集X的聚类原型P（U与P相互关联）。也就是，如果已知一个方法就可以得出另一个解决方法。如此一来就存在两种编码策略[3]。 首先，我们应用第一种策略对硬分区矩阵U进行编码。假设有n个样品被分成c级，我们使用基因串Jm（U，P）， （1） 代表某一级的筛选结果；这里，，i=1， 2，…，n。当=k （1≤k≤c）时，表明第i个样品属于第k级。 然后，我们应用第二种策略对聚类原型矩阵P进行编码。首先将代表c组聚类原型的参数连接起来，再根据各自值的范围，将量化值（用二进制字符串表示）编码成基因串。 （2） 这里，每个聚类原型Vi均有一组对应的参数。例如： 1）对于FCM算法，我们可以对其聚类中心进行量化编码： = 2）FCM算法可以在其原型（直线部分）对两点（v1， v2）进行量化编码。 2 绩效考核方面的应用 人力资源管理方面的员工绩效考核有两大特点： 1）有无数影响因素，它们之间存在复杂关系，一些可以通过检验、测试和其它方法来获取信息，另一些则因为检测方法受限而无法进行评估；因此，这一问题就带有某种模糊性质； 2）模糊积累可以降低绩效考核结果的准确度。以致，考核过程中，准确和模糊构成了一对明显的矛盾。基于改进遗传算法的模糊聚类是解决这些矛盾问题的有效途径。 2.1 绩效考核指数系统的建立 作为企业的一个特殊岗位群体，员工的工作具有时空上的广泛性、外延性和灵活性，以及工作作风上的个体性[5]。因而，很难对员工的工作行为和活动过程进行量化和评估。据此，我们应用关键绩效指标（KPI）来构建一个绩效考核指数系统。KPI是从企业的全局策略目标分离出来的，反映的是能对企业的创造价值产生最有效影响的关键推动因素，是一种用来衡量在某一岗位的工作人员表现的最直接的检测方法。 2.2 数据处理 绩效考核指数系统的建立使得提取、计算与员工绩效考核指数系统有关的数据并用作输入数据以进行后来的聚类分析成为可能。但是，在正常情况下，目前尚不适宜直接将从人力资源管理系统生成的数据用作聚类分析的数据源。反之，而应事先进行数据预处理以达到聚类分析所需数据的要求。 我们从抽样里收集了十个员工的原始数据。我们已经对这些原始数据的取样进行了清除、重分布和合并，并得出员工的KPI数据，如表2所示。 2.3 分析结果 通过给予改进遗传算法的模糊聚类算法的调用，并进行9次迭代操作后，我们可以得出物种选择的级别是10，交叉概率是0.25，以及这十个员工代表的聚类分析结果。 3 结论 作为数据挖掘领域最常见的技术之一，基于遗传算法的聚类分析可用来找出数据库里未知对象类，对个体和数据对象之间的相似性进行研究，合理地区分个体或存在相似条件的数据对象。对企业而言，聚类技术可以根据员工的岗位表现进行分组和聚类，这样就便于管理者清楚了解每个员工的绩效类型，从而便于对员工的这种类型的最大特征进行分析。 .参考文献 [1]Heidan Xiang.Effective Genetic Approach for Optimize Planning in Flexible Manufacturing System [J]. GECCO’06， Seattle， Washington， USA， July 8-12， 2006. [2]Holland J.H.Adaptation in natural and artificial systems[M].Ann Arbor： The University of M